Documentos de Académico
Documentos de Profesional
Documentos de Cultura
informacin territorial
[IGN + UPM] con financiacin de la AECI
Madrid
2013
del Suelo,
Forestales, Cultivos
Escoger combinacin de bandas b- Fotointerpretacin: Mapas deOcupacin
Obtencin
de radiancias
Equilibrado radiomtrico: igualar
Clculo de reflectividad aparente TOA
imgenes.
Correccin atmosfrica
Mosaicar imgenes
Correccin topogrfica
Realce (mejora la percepcin visual)
c- Ortoimgenes (actualizacin de cartografa
topogrfica), cartoimgenes, publicar en web
2013
2013
2013
ndices de vegetacin
Concepto de ndices
Se trata de generar nuevos valores digitales para
cada pxel, calculados a partir de los valores
radiomtricos originales captados por el sensor,
que mejoren la interpretacin de la imagen
Las ms utilizados: ndices de vegetacin
2013
ndices de vegetacin
Respuesta espectral de la vegetacin
segn su estado fenolgico
Vegetacin
sana
Reflectividad (%)
60
Vegetacin
enferma
40
Suelo
20
IR
0
0,4
2013
0,5
0,6
0,7
0,8
0,9
1,0
1,1 m
ndices de vegetacin
2013
ndices de vegetacin
rea de Cabaeros
R
IRC
IRC/R
2013
ndices de vegetacin
Concepto de ndice de Vegetacin
Los ndices de vegetacin (I.V.) son
transformaciones espectrales (es decir
combinaciones matemticas de dos o ms bandas
de una imagen) diseadas para realzar la seal de
la vegetacin.
Los I.V. permiten hacer comparaciones fiables entre
distintas zonas o distintas pocas de la actividad
fotosinttica y de las variaciones de la estructura de
la cubierta vegetal
2013
ndices de vegetacin
Concepto de ndice de Vegetacin
La potencia y la ventaja de los I.V. residen en su
simplicidad: Normalmente se calculan directamente, sin
ninguna informacin previa en cuanto cobertura del
suelo, edafologa, condiciones climticas, y por tanto
proporcionan medidas continuas y precisas de las
variaciones espaciales y temporales de la vegetacin.
Los I.V. son parmetros importantes para varios tipos de
"modelos biogeoqumicos agrcolas y forestales, y se
usan en varias aplicaciones operacionales, como: alarmas
alimentarias, clasificacin de usos del suelo,
epidemiologa, deteccin de inundaciones, degradacin
de terrenos, deforestacin y deteccin y seguimiento de
cambios.
2013
10
11
ndices de vegetacin
Principales aplicaciones de los ndices de vegetacin
12
ndices de vegetacin
Principales aplicaciones de los ndices de vegetacin
2013
13
Cociente simple:
NIRR
NDVI
NIRR
Donde:
NIR = reflectancia en el Infrarrojo Prximo
R = reflectancia en el rojo
2013
14
15
16
2013
17
que
presentan
2013
18
que
presentan
19
2013
20
2013
21
2013
22
2013
23
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0
100
200
300
Pastizal
2013
400
500
y = 0.0013x + 0.2529
R2 = 0.2601
50
100
150
200
Matorral
24
fAPAR
2013
25
Para trigo en
primavera
(Asrar et al.,
1984)
2013
26
2013
27
2013
28
Soluciones:
Se han desarrollado formulaciones que corrigen este efecto,:
SAVI ("Soil Adjusted Vegetation Index)
OSAVI ("Optimized SAVI")
TSAVI ("Transformed SAVI")
2013
29
SAVI
R
(1 L )
R L
NIR
NIR
Donde:
L : constante para ajustar el ndice a una reflectividad
promedio de fondo. L 0.5
OSAVI
2013
NIR
R
R 0 . 16
NIR
30
Soluciones:
a) Se pueden realizar mosaicos "compuestos" de 7 a 15 das
de imgenes, tomando de cada pxel la imagen en la que
la geometra de la toma es ms favorable
b) ARVI ("Atmospheric Resistant Vegetation Index")
GEMI ("Global Environment Monitoring Index")
2013
31
ARVI
*
*
NIR
RA
*
*
NIR
RA
*
RA
R* ( A* R* )
Donde:
*NIR = reflectividad aparente en el NIR
*A = reflectividad aparente en el rojo
= parmetro de calibracin que depende del tipo de
atmsfera. (casi siempre = 1)
2013
32
NIR R 0.5
2013
33
2013
34
2013
35
Otros ndices
ndices de contenido de agua
El ms utilizado es:
NDII ("Normalized Difference Infrared Index")
NDII
NIR
NIR
SWIR
SWIR
2013
36
Comparacin
NIR R
NDVI =
NIR R
2013
NIR SWIR,5
NDII5 =
NIR SWIR,5
37
Otros ndices
ndice para resaltar superficies de agua
2013
G
IA =
G
SWIR
SWIR
38
Otros ndices
Identificacin de zonas sin vegetacin
NORMALIZED DIFFERENCE BARENESS INDEX (NDBaI)
SWIR TIR
NDBaI
SWIR TIR
SWIR NIR
NDBI
SWIR NIR
2013
39
Otros ndices
ndice para estimar cobertura de nieve
NORMALIZED DIFFERENCE SNOW INDEX (NDSI)
NIR TIR
NDSI
NIR TIR
2013
40
Procedimientos de obtencin de
2013
41
Formas de clculo
2013
42
43
Regresiones (calculadas
mediante funciones
matemticas estadsticas
de interpolacin - Pueden
ser polinomios u otras-)
entre el parmetro de inters
y los valores (ND) de la
imagen
2013
44
2013
45
2013
46
2013
47
2013
48
2013
49
2013
50
2013
51
2013
52
Modo directo:
Caractersticas fsicas Reflectividades
Modo inverso:
Reflectividades Caractersticas fsicas
2013
53
2013
54
Referencias
2013
55
CLASIFICACIN AUTOMTICA
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
2013
56
CLASIFICACIN AUTOMTICA
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
2013
57
1. Introduccin
Diferenciasentre Fotointerpretacin y Clasificacin
Fotointerpretacin
Se realiza a partir de imgenes de satlite sobre las que se han
realizado ciertos tratamientos (correccin geomtrica, realces, etc.).
Basado en la habilidad del fotointrprete, sujeta por tanto, a las
limitaciones humanas.
Slo es posible la visualizacin simultnea de tres bandas (una
por cada color de la pantalla).
Se puede aadir otro tipo de informacin adicional (cartografa
vectorial, fotografas areas, ortoimgenes, etc.), para mejorar la
interpretacin.
2013
58
1. Introduccin
Diferenciasentre Fotointerpretacin y Clasificacin
Clasificacin
Proceso de asignar pxeles dentro de un nmero finito de clases,
basados en los valores de los mismos (ND: nivel digital del pxel).
Si el pxel satisface un cierto conjunto de criterios, es asignado a la
clase que se corresponde con los mismos.
Es posible el anlisis de todas las bandas de la imagen. Permite
la automatizacin y mayor rapidez del anlisis de los datos.
El resultado final de una clasificacin es una imagen o mapa
temtico donde los pxeles aparecen etiquetados segn su clase.
Posee mayor error que la fotointerpretacin.
2013
59
del Suelo,
Forestales, Cultivos
Escoger combinacin de bandas b- Fotointerpretacin: Mapas deOcupacin
Obtencin
de radiancias
Equilibrado radiomtrico: igualar
Clculo de reflectividad aparente TOA
imgenes.
Correccin atmosfrica
Mosaicar imgenes
Correccin topogrfica
Realce (mejora la percepcin visual)
c- Ortoimgenes (actualizacin de cartografa
topogrfica), cartoimgenes, publicar en web
2013
60
1. Introduccin
2013
61
1. Introduccin
2013
62
1. Introduccin
Necesidad de pretratamientos
Con los mtodos "empricos" empleados hasta ahora, en
la mayora de los casos, no es necesario aplicar
tratamientos previos (como correcciones atmosfricas,
clculo de reflectividades, etc....), ya que los algoritmos
suelen funcionar igual de bien con los valores digitales "en
bruto"
2013
63
1. Introduccin
Clases "espectrales" y clases "informacionales"
Clases espectrales:
Grupos de pxeles con valores digitales (DN)
parecidos
Clases informacionales:
Es la "leyenda" de trabajo: la que pretende deducir
el intrprete
2013
64
1. Introduccin
Fases de la Clasificacin Automtica
Entrenamiento: definicin digital de las clases
Consiste en la definicin de las clases a partir de sus
caractersticas dentro de la imagen.
65
1. Introduccin
MANIPULACIN DEL ESPACIO CARACTERSTICO
Transformacin de la imagen multiespectral
Espacio caracterstico: Nuevo espacio de representacin
VENTAJAS:
Hace evidentes algunas caractersticas
Reduce el nmero de dimensiones
TIPOS:
Transformadas espaciales
Transformadas espectrales:
2013
66
1. Introduccin
Transformadas espectrales
ARITMTICA DE BANDAS
Nueva banda obtenida mediante suma, resta, multiplicacin o
divisin de dos bandas originales
NDICES: Como los de vegetacin ya vistos
ANLISIS DE COMPONENTES PRINCIPALES
El objeto de esta transformacin es reducir la dimensionalidad (n de
bandas) en la imagen.
Las nuevas bandas se llaman componentes principales.
Este proceso maximiza la cantidad de informacin en el menor
nmero de componentes principales. Ej.: los tres primeros
componentes principales de una imagen TM de 7 bandas contienen el
90% de la informacin de dicha imagen.
2013
67
1. Introduccin
Transformadas espectrales
TRANSFORMADA TASSELED CAP (TTC)
Obtiene nuevas bandas por combinacin lineal de las originales para
realzar rasgos de inters.
Tres ejes de variacin:
Brillo
Verdor
Humedad
2013
68
CLASIFICACIN AUTOMTICA
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
2013
69
2. Fase de entrenamiento
Concepto de "entrenamiento"
70
2. Fase de entrenamiento
Tipos de "entrenamiento"
Entrenamiento Supervisado:
Se parte de un conocimiento previo del terreno
Las reas de entrenamiento se eligen en zonas conocidas
de clases ("informacionales") conocidas.
Entrenamiento no supervisado:
No se requiere conocimiento previo del terreno
Las reas de entrenamiento se establecen automticamente
mediante algoritmos que buscan grupos de pxeles de
caractersticas homogneas ("clases espectrales")
(ojo: no confundir con la segmentacin automtica")
2013
71
2. Fase de entrenamiento
Problemas en la definicin de clases
2013
72
2. Fase de entrenamiento
Entrenamiento supervisado
2013
73
2. Fase de entrenamiento
Entrenamiento no supervisado
Tambin se llama aglomeracin (clustering).
Se parte de una serie de pxeles "semilla.
Un algoritmo automtico va agrupando iterativamente todos los
pxeles en grupos homogneos.
No se consideran otros elementos como la contigidad, la textura,
la forma u otros caractersticas
Hay que tener:
1) Criterio de similitud entre pxeles: normalmente Distancia
Euclidiana
2) Algoritmo de agrupamiento: el ms utilizado:
ISODATA
2013
74
2. Fase de entrenamiento
Entrenamiento no supervisado: ISODATA
Se definen previamente N mximo n de clusters a obtener: este
nmero equivale al mximo nmero de clases.
El algoritmo comienza determinando n valores de media arbitrarios,
uno por cada cluster. Tras el clculo, algunos clusters con muy pocos
pxeles pueden ser eliminados, dejando menos de n.
Umbral de convergencia: mximo porcentaje de pxeles que no
cambian de clase entre una iteracin y la siguiente (normalmente
95%).
El proceso se detiene cuando el porcentaje de pxeles que cambian
de clase entre una iteracin y la siguiente es menor del 5%.
N mximo de iteraciones a calcular: cuando se alcanza este nmero
el proceso se detiene aunque no se haya alcanzado
el umbral de convergencia.
2013
75
CLASIFICACIN AUTOMTICA
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
2013
76
2013
77
2013
Mnima distancia
Paraleleppedos
Mxima probabilidad
rboles de decisin. Sistemas expertos.
Contexto espacial
Asignacin "borrosa" "fuzzy"
78
a
b
?
c
2013
79
80
2013
81
Mxima probabilidad
- o mxima verosimilitud- "maximum likelihood"IRC
a
b
?
c
R
2013
82
Mxima probabilidad
2013
83
Sistemas expertos
IRC
< 10%
> 10%
Verde
Agua
> 30%
< 30%
Altitud
SWIR
< 40%
R
O
J
O
> 40%
> 30%
Urbano
(muy probable)
Cereal
(probable)
< 30%
Urbano
(probable)
Cereal
(muy probable)
2013
< 800m
Regado
> 800m
Caducifolios
84
2013
85
CLASE 1
CLASE 3
CLASE 4
70 % CLASE 1
15 % CLASE 2
CLASE n
10 % CLASE 3
5
2013
% CLASE
86
Clasificacin
rgida/blanda
2013
87
CLASIFICACIN AUTOMTICA
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
2013
88
4. Verificacin de Resultados
89
4. Verificacin de Resultados
2013
90
4. Verificacin de Resultados
91
4. Verificacin de Resultados
Separabilidad grfica: histogramas
De forma grfica se pueden ver los histogramas correspondientes a
varias clases cuya distribucin es normal y su solape:
Banda 3
2013
Banda 4
92
4. Verificacin de Resultados
Separabilidad grfica: Grficos de signaturas
40
35
urbano
30
pastizal
25
matorral
20
pinar-enc
15
suelo
cultivo
10
agua
5
0
1
2013
93
20
15
10
Banda 1
5
0
urbano
pastizal
matorral
pinar-enc
suelo
cultivo
agua
urbano
pastizal
matorral
pinar-enc
suelo
cultivo
agua
urbano
pastizal
matorral
pinar-enc
suelo
cultivo
agua
40
Separabilidad grfica:
Grficos de Dispersin
Espectral
35
30
25
Banda 4
20
15
10
5
0
50
45
40
35
30
Banda 5
2013
25
20
15
10
5
0
94
4. Verificacin de Resultados
Separabilidad grfica: Elipses de dispersin
Cultivo
Suelo
Pastizal
Banda 4
Matorral
Urbano
Pinar-Encinar
Agua
Banda 3
2013
95
4. Verificacin de Resultados
2013
96
97